| caatinga ¶

1.1 | Importando pacotes usados ¶

In [ ]:
import numpy as np
import pandas as pd
import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio
In [ ]:
import plotly.io as pio
pio.renderers
Out[ ]:
Renderers configuration
-----------------------
    Default renderer: 'plotly_mimetype+notebook'
    Available renderers:
        ['plotly_mimetype', 'jupyterlab', 'nteract', 'vscode',
         'notebook', 'notebook_connected', 'kaggle', 'azure', 'colab',
         'cocalc', 'databricks', 'json', 'png', 'jpeg', 'jpg', 'svg',
         'pdf', 'browser', 'firefox', 'chrome', 'chromium', 'iframe',
         'iframe_connected', 'sphinx_gallery', 'sphinx_gallery_png']
In [ ]:
pio.renderers.default = "notebook"

1.2 | Funções usadas ¶

In [ ]:
def equivalencia_linha(tabulacao_cruzada):
    """Essa função determina as esquivalências por linha entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_linha = []
    for index, row in tabulacao_cruzada.iterrows():
        max_row = row.sort_values(ascending=False)
        mapeamento_linha.append(tabulacao_cruzada.loc[: , max_row.index[0]])
    
    mapeamento_linha = pd.DataFrame(data=mapeamento_linha)
    
    linhas = mapeamento_linha.index.tolist()
    colunas = mapeamento_linha.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_linha = pd.DataFrame(data_tuples, columns=['Quarto_Inventario','MapBiomas'])
    
    for i in range(len(mapeamento_linha)):
        mapeamento_linha.loc[i, "Size"] = tabulacao_cruzada.loc[(mapeamento_linha["Quarto_Inventario"][i])].max()
        
    return mapeamento_linha
In [ ]:
def equivalencia_coluna(tabulacao_cruzada):
    """Essa função determina as esquivalências por coluna entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_coluna = []
    for column in range(0, tabulacao_cruzada.shape[1]):
        max_column = tabulacao_cruzada.iloc[:, column].sort_values(ascending=False)
        mapeamento_coluna.append(tabulacao_cruzada.loc[max_column.index[0], :])
    
    mapeamento_coluna = pd.DataFrame(data=mapeamento_coluna)
    
    linhas = mapeamento_coluna.index.tolist()
    colunas = mapeamento_coluna.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_coluna = pd.DataFrame(data_tuples, columns=['MapBiomas', 'Quarto_Inventario'])
    
    mapeamento_coluna.loc[:, ("Size")] = 0
    
    for i in range(len(mapeamento_coluna)):
         mapeamento_coluna.loc[i, "Size"] = tabulacao_cruzada.loc[:, (mapeamento_coluna["MapBiomas"][i])].max()
        
    return mapeamento_coluna
In [ ]:
def legenda_harmonizada(mapeamento_linha, mapeamento_coluna):
    """
        Determina a harmonização das legendas a partir das harmonizações por linha e por coluna.
    """
    
    legenda = pd.merge(equivalencias_linha, equivalencias_coluna, how="outer")
    
    return legenda
In [ ]:
def nodify(node_names):
    '''
        Cria os nódulos para agrupar cada legendas em uma coluna a partir da legenda gerada
        pela função harmonizacao_2_sankey e geras as cores de cada nódulo por coluna.
    '''
    # uniqe name endings
    ends = sorted(list(set([e[-1] for e in node_names])))
    
    # intervals
    steps = 0

    # x-values for each unique name ending
    # for input as node position
    nodes_x = {}
    node_colors = {}
    xVal = 0
    for e in ends:
        if e != " ":
            nodes_x[str(e)] = xVal
            xVal += steps + 0.3
        else:
            nodes_x[str(e)] = xVal
            xVal += steps
            
    for e in ends:
        if e != "'":
            node_colors[str(e)] = '#84caa0'
        else:
            node_colors[str(e)] = '#37986a'

    # x and y values in list form
    x_values = [nodes_x[n[-1]] for n in node_names]
    y_values = [0.01]*len(x_values)
    
    node_colors = [node_colors[n[-1]] for n in node_names]
    
    return x_values, y_values, node_colors
In [ ]:
def df_2_sankey(df,cols,values,hover_value=None):
    """ 
        Helper function to convert a dataframe of relationships to 
        Plotly Sankey format.
    """
    colors = ['#D0EDA6','#EDEF7B','#EF7B84','#00308f','#eedc82','#c66']
    out = df.copy()
    entities = dict()
    vals_ = [values,hover_value]
    try: 
        vals_.remove(None)
    except:
        pass
    
    # get dict of uid for each entity in each level from 0...n
    for n,c in enumerate(cols):
        if n == 0:
            out[f'{c}_'] = pd.factorize(out[c])[0]
        else:
            out[f'{c}_'] = pd.factorize(out[c])[0] + (out[f'{cols[n-1]}_'].max()+1)
        entities[n] = dict(out[[cols[n]+'_',cols[n]]].values)

    # create df edge list between source,targets
    edge_list = list()
    for i in range(0, len(cols), 1):
        slice_ = cols[i:i+2]
        if len(slice_)==2:
            el_ = out.groupby([f'{c}_' for c in slice_],as_index=False)[vals_].sum()
            el_.columns = ['source','target']+vals_
            edge_list.append(el_)
    edge_list = pd.concat(edge_list,ignore_index=True)

    # Sankey node definitions are simply the ordered uid/names of each entity 
    labels = [v[i] for k,v in entities.items() for i in v] # use v[i] for name, i for uid
    node_colors = [colors[k] for k in entities.keys() for i in entities[k]]

    # Sankey edge definitions
    source = list(edge_list['source'])
    target = list(edge_list['target'])
    values = list(edge_list[values])
    
    if hover_value is None:
        hover_values = list()
    else:
        hover_values = list(edge_list[hover_value])
    if len(source) == len(target) == len(values):
        return edge_list,entities,labels,node_colors,source,target,values,hover_values
    else:
        raise Exception('Output test fail: lists are of unequal lengths')
In [ ]:
def harmonizacao_2_sankey(df):
    """
    Gera os outputs necessários para gerar o diagrama de Sankey via plotly para a legenda harmonizada.
    """      
    equivalencias_linha = equivalencia_linha(df)
    _df = pd.DataFrame()
    _df["source"] = equivalencias_linha["Quarto_Inventario"] + "!"
    _df["target"] = equivalencias_linha["MapBiomas"] + "'"
    _df["value"] = equivalencias_linha["Size"]
    
    equivalencias_coluna = equivalencia_coluna(df)
    _df2 = pd.DataFrame()
    _df2["source"] = equivalencias_coluna["MapBiomas"] + "'"
    _df2["target"] = equivalencias_coluna["Quarto_Inventario"].astype(str) + " "
    _df2["value"] = equivalencias_coluna["Size"]
    
    _df = pd.concat([_df, _df2], ignore_index=True)
    
    legendas = pd.concat([_df['source'], _df['target']])
    legendas = legendas.unique()
    legenda = {x: index for index, x in enumerate(legendas)}
    
    nodified_x, nodified_y, node_colors = nodify(legendas)
    
    source = []
    target = []
    value = []
    for linha in _df.iterrows():
        source.append(legenda.get(linha[1].source))
        target.append(legenda.get(linha[1].target))
        value.append(linha[1].value)
    
    return legendas, source, target, value, node_colors, nodified_x, nodified_y

1.3 | Legendas dos mapas de acordo com os valores de pixel ¶

In [ ]:
mapbiomas_col7_legenda = {
    1 : "Floresta",
    3 : "Formação Florestal",
    4 : "Formação Savânica",
    5 : "Mangue",
    49 : "Restinga Arborizada",
    10 : "Formação Natural não Florestal",
    11 : "Campo Alagado e Área Pantanosa",
    12 : "Formação Campestre",
    32 : "Apicum",
    29 : "Afloramento Rochoso",
    50 : "Restinga Herbácea",
    13 : "Outras Formações não Florestais",
    14 : "Agropecuária",
    15 : "Pastagem",
    18 : "Agricultura",
    19 : "Lavoura Temporária",
    39 : "Soja",
    20 : "Cana",
    40 : "Arroz (beta)",
    62 : "Algodão (beta)",
    41 : "Outras Lavouras Temporárias",
    36 : "Lavoura Perene",
    46 : "Café",
    47 : "Citrus",
    48 : "Outras Lavouras Perenes",
    9 : "Silvicultura",
    21 : "Mosaico de Usos",
    22 : "Área não Vegetada",
    23 : "Praia, Duna e Areal",
    24 : "Área Urbanizada",
    30 : "Mineração",
    25 : "Outras Áreas não Vegetadas",
    26 : "Corpo D'água",
    33 : "Rio, Lago e Oceano",
    31 : "Aquicultura",
    27 : "Não Observado"
}

quarto_inventario_legenda = {
    1 : "Floresta manejada (FM)",
    2 : "Floresta não manejada (FNM)",
    3 : "Floresta secundária (FSec)",
    4 : "Corte seletivo (CS)",
    5 : "Reflorestamento (Ref)",
    6 : "Campo manejado (GM)",
    7 : "Campo não manejado (GNM)",
    8 : "Campo secundário (GSec)",
    9 : "Pastagem (Ap)",
    10 : "Pastagem degradada (APD)",
    11 : "Outras formações lenhosas manejadas (OFLM)",
    12 : "Outras formações lenhosas não manejadas (OFLNM)",
    13 : "Outras formações lenhosas secundárias (OFLSec)",
    14 : "Agricultura anual  (AC)",
    15 : "Agricultura perene (PER)",
    16 : "Agricultura semiperene  (CANA)",
    17 : "Água (A)",
    18 : "Reservatório (Res)",
    19 : "Assentamento (S)",
    20 : "Dunas manejadas (DnM)",
    21 : "Dunas não manejadas (DnNM)",
    22 : "Afloramento rochoso manejado (ArM)",
    23 : "Afloramento rochoso não manejado (ArNM)",
    24 : "Mineração (Min)",
    25 : "Solo exposto (SE)",
    26 : "Áreas não observadas (NO)"
}

1.4 | Carregando os dados ¶

In [ ]:
df = pd.read_csv("../confusion_matrix/tab_cruz_caatinga.csv", index_col="Unnamed: 0")

df.head()
Out[ ]:
0.0 3.0 4.0 5.0 9.0 11.0 12.0 15.0 20.0 21.0 ... 32.0 33.0 39.0 41.0 46.0 48.0 49.0 50.0 62.0 255.0
0.0 414401484 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 358558986
1.0 0 8492135 33402513 96347 25 26178 2759317 1601947 0 1392975 ... 35767 52760 13597 61281 4578 4935 3673 32 0 609
2.0 0 25599847 330399060 158678 12147 194480 16495827 25691668 13160 24595624 ... 57755 257654 19157 237062 19805 66990 49042 5012 0 5548
3.0 0 3443861 55438165 2687 14013 35751 3995212 15594753 8164 8907338 ... 4889 144979 12026 347595 4558 196584 17967 1132 3 180
5.0 0 63836 314770 0 549758 356 19981 178344 0 32455 ... 0 3 125 2978 212 178 0 0 0 13

5 rows × 26 columns

1.5 | Tratando os dados ¶

In [ ]:
df.shape
Out[ ]:
(24, 26)
In [ ]:
df.index
Out[ ]:
Index([ 0.0,  1.0,  2.0,  3.0,  5.0,  6.0,  7.0,  8.0,  9.0, 11.0, 12.0, 13.0,
       14.0, 15.0, 16.0, 17.0, 18.0, 19.0, 20.0, 21.0, 23.0, 24.0, 25.0, 26.0],
      dtype='float64')
In [ ]:
df.columns
Out[ ]:
Index(['0.0', '3.0', '4.0', '5.0', '9.0', '11.0', '12.0', '15.0', '20.0',
       '21.0', '23.0', '24.0', '25.0', '29.0', '30.0', '31.0', '32.0', '33.0',
       '39.0', '41.0', '46.0', '48.0', '49.0', '50.0', '62.0', '255.0'],
      dtype='object')
In [ ]:
df = df.drop(index=0.0, columns=["0.0", "255.0"])


df.head()
Out[ ]:
3.0 4.0 5.0 9.0 11.0 12.0 15.0 20.0 21.0 23.0 ... 31.0 32.0 33.0 39.0 41.0 46.0 48.0 49.0 50.0 62.0
1.0 8492135 33402513 96347 25 26178 2759317 1601947 0 1392975 56955 ... 2423 35767 52760 13597 61281 4578 4935 3673 32 0
2.0 25599847 330399060 158678 12147 194480 16495827 25691668 13160 24595624 220462 ... 19679 57755 257654 19157 237062 19805 66990 49042 5012 0
3.0 3443861 55438165 2687 14013 35751 3995212 15594753 8164 8907338 43522 ... 3876 4889 144979 12026 347595 4558 196584 17967 1132 3
5.0 63836 314770 0 549758 356 19981 178344 0 32455 0 ... 0 0 3 125 2978 212 178 0 0 0
6.0 1195 21085 0 0 0 4184 491 0 162 0 ... 0 0 193 0 0 25 54 0 0 0

5 rows × 24 columns

1.6 | Mapeando os nomes das classes ¶

In [ ]:
classes_mapa1 = df.columns.astype(float)
classes_mapa2 = df.index

# Mapeando os valores de pixels com os nomes das classes
mapa1_legenda = list(map(mapbiomas_col7_legenda.get, classes_mapa1))
mapa2_legenda = list(map(quarto_inventario_legenda.get, classes_mapa2))
In [ ]:
mapa1_legenda
Out[ ]:
['Formação Florestal',
 'Formação Savânica',
 'Mangue',
 'Silvicultura',
 'Campo Alagado e Área Pantanosa',
 'Formação Campestre',
 'Pastagem',
 'Cana',
 'Mosaico de Usos',
 'Praia, Duna e Areal',
 'Área Urbanizada',
 'Outras Áreas não Vegetadas',
 'Afloramento Rochoso',
 'Mineração',
 'Aquicultura',
 'Apicum',
 'Rio, Lago e Oceano',
 'Soja',
 'Outras Lavouras Temporárias',
 'Café',
 'Outras Lavouras Perenes',
 'Restinga Arborizada',
 'Restinga Herbácea',
 'Algodão (beta)']
In [ ]:
mapa2_legenda
Out[ ]:
['Floresta manejada (FM)',
 'Floresta não manejada (FNM)',
 'Floresta secundária (FSec)',
 'Reflorestamento (Ref)',
 'Campo manejado (GM)',
 'Campo não manejado (GNM)',
 'Campo secundário (GSec)',
 'Pastagem (Ap)',
 'Outras formações lenhosas manejadas (OFLM)',
 'Outras formações lenhosas não manejadas (OFLNM)',
 'Outras formações lenhosas secundárias (OFLSec)',
 'Agricultura anual  (AC)',
 'Agricultura perene (PER)',
 'Agricultura semiperene  (CANA)',
 'Água (A)',
 'Reservatório (Res)',
 'Assentamento (S)',
 'Dunas manejadas (DnM)',
 'Dunas não manejadas (DnNM)',
 'Afloramento rochoso não manejado (ArNM)',
 'Mineração (Min)',
 'Solo exposto (SE)',
 'Áreas não observadas (NO)']
In [ ]:
# Renomeando linhas e colunas de acordo com as classes 
df.columns = mapa1_legenda
df.index = mapa2_legenda

df.head()
Out[ ]:
Formação Florestal Formação Savânica Mangue Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Cana Mosaico de Usos Praia, Duna e Areal ... Aquicultura Apicum Rio, Lago e Oceano Soja Outras Lavouras Temporárias Café Outras Lavouras Perenes Restinga Arborizada Restinga Herbácea Algodão (beta)
Floresta manejada (FM) 8492135 33402513 96347 25 26178 2759317 1601947 0 1392975 56955 ... 2423 35767 52760 13597 61281 4578 4935 3673 32 0
Floresta não manejada (FNM) 25599847 330399060 158678 12147 194480 16495827 25691668 13160 24595624 220462 ... 19679 57755 257654 19157 237062 19805 66990 49042 5012 0
Floresta secundária (FSec) 3443861 55438165 2687 14013 35751 3995212 15594753 8164 8907338 43522 ... 3876 4889 144979 12026 347595 4558 196584 17967 1132 3
Reflorestamento (Ref) 63836 314770 0 549758 356 19981 178344 0 32455 0 ... 0 0 3 125 2978 212 178 0 0 0
Campo manejado (GM) 1195 21085 0 0 0 4184 491 0 162 0 ... 0 0 193 0 0 25 54 0 0 0

5 rows × 24 columns

Convertendo os valores de pixel para milhões de hectares.

In [ ]:
df2 = df

df = round(df * 0.09 / 1000000, 2)

df.head()
Out[ ]:
Formação Florestal Formação Savânica Mangue Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Cana Mosaico de Usos Praia, Duna e Areal ... Aquicultura Apicum Rio, Lago e Oceano Soja Outras Lavouras Temporárias Café Outras Lavouras Perenes Restinga Arborizada Restinga Herbácea Algodão (beta)
Floresta manejada (FM) 0.76 3.01 0.01 0.00 0.00 0.25 0.14 0.0 0.13 0.01 ... 0.0 0.00 0.00 0.0 0.01 0.0 0.00 0.0 0.0 0.0
Floresta não manejada (FNM) 2.30 29.74 0.01 0.00 0.02 1.48 2.31 0.0 2.21 0.02 ... 0.0 0.01 0.02 0.0 0.02 0.0 0.01 0.0 0.0 0.0
Floresta secundária (FSec) 0.31 4.99 0.00 0.00 0.00 0.36 1.40 0.0 0.80 0.00 ... 0.0 0.00 0.01 0.0 0.03 0.0 0.02 0.0 0.0 0.0
Reflorestamento (Ref) 0.01 0.03 0.00 0.05 0.00 0.00 0.02 0.0 0.00 0.00 ... 0.0 0.00 0.00 0.0 0.00 0.0 0.00 0.0 0.0 0.0
Campo manejado (GM) 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.0 0.00 0.00 ... 0.0 0.00 0.00 0.0 0.00 0.0 0.00 0.0 0.0 0.0

5 rows × 24 columns

2.1 | Análise dos dados ¶

2.1.1 | Tabulação Cruzada ¶

In [ ]:
results = []
for p_key, values in df.items():
    for key, value in values.items():
        results.append({"source": p_key, "target": key, "value": value})
        # print(p_key, key, value)

df_list = pd.DataFrame(results, columns=['target', 'source', 'value'])
df_list
Out[ ]:
target source value
0 Floresta manejada (FM) Formação Florestal 0.76
1 Floresta não manejada (FNM) Formação Florestal 2.30
2 Floresta secundária (FSec) Formação Florestal 0.31
3 Reflorestamento (Ref) Formação Florestal 0.01
4 Campo manejado (GM) Formação Florestal 0.00
... ... ... ...
547 Dunas não manejadas (DnNM) Algodão (beta) 0.00
548 Afloramento rochoso não manejado (ArNM) Algodão (beta) 0.00
549 Mineração (Min) Algodão (beta) 0.00
550 Solo exposto (SE) Algodão (beta) 0.00
551 Áreas não observadas (NO) Algodão (beta) 0.00

552 rows × 3 columns

In [ ]:
fig = px.imshow(df.replace(0, None), text_auto=True, aspect="auto", height=1000, title='Matriz de Tabulação Cruzada entre os mapas (Mha)')
fig.show()
In [ ]:
fig = make_subplots(
    rows=2, cols=1,
    shared_yaxes='all',
    specs=[[{"type": "xy"}],[{"type": "xy"}]],
    subplot_titles=("<b>MapBiomas Col. 7 - caatinga<b>", "<b>Quarto Inventário Nacional - caatinga<b>")
)

fig.add_trace(go.Bar(y= df.sum(), x=df.sum().index, text=((df.sum())).astype(int).astype(str)+"Mha"),
              row=1, col=1)

fig.add_trace(go.Bar(y = df.sum(axis='columns').sort_values(ascending=False), 
                     x=df.sum(axis='columns').sort_values(ascending=False).index, 
                     text=((df.sum(axis='columns').sort_values(ascending=False))).astype(int).astype(str)+"Mha"),
              row=2, col=1)

fig.update_layout(title_text="<b>Distribuição das Classes por Mapa da Região Estudada<b>",
                  height=1000,
                  width=1200,
                  showlegend=False
                  )

fig.update_layout(barmode='stack', xaxis={'categoryorder':'total descending'})

fig.show()

2.2 | Equivalências por linha ¶

In [ ]:
equivalencias_linha = equivalencia_linha(df)
display(equivalencias_linha)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Savânica 3.01
1 Floresta não manejada (FNM) Formação Savânica 29.74
2 Floresta secundária (FSec) Formação Savânica 4.99
3 Reflorestamento (Ref) Silvicultura 0.05
4 Campo manejado (GM) Formação Florestal 0.00
5 Campo não manejado (GNM) Formação Savânica 0.21
6 Campo secundário (GSec) Formação Savânica 0.02
7 Pastagem (Ap) Pastagem 12.86
8 Outras formações lenhosas manejadas (OFLM) Formação Savânica 0.27
9 Outras formações lenhosas não manejadas (OFLNM) Formação Savânica 1.90
10 Outras formações lenhosas secundárias (OFLSec) Formação Savânica 0.22
11 Agricultura anual (AC) Pastagem 1.67
12 Agricultura perene (PER) Outras Lavouras Perenes 0.30
13 Agricultura semiperene (CANA) Cana 0.04
14 Água (A) Rio, Lago e Oceano 0.08
15 Reservatório (Res) Rio, Lago e Oceano 0.41
16 Assentamento (S) Área Urbanizada 0.24
17 Dunas manejadas (DnM) Praia, Duna e Areal 0.01
18 Dunas não manejadas (DnNM) Praia, Duna e Areal 0.04
19 Afloramento rochoso não manejado (ArNM) Formação Florestal 0.00
20 Mineração (Min) Aquicultura 0.03
21 Solo exposto (SE) Praia, Duna e Areal 0.02
22 Áreas não observadas (NO) Pastagem 0.02
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_linha,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> Quarto_Inventario > MapBiomas | caatinga<b>", font_size=12)
fig.show()

2.3 | Equivalências por coluna ¶

In [ ]:
equivalencias_coluna = equivalencia_coluna(df)
display(equivalencias_coluna)
MapBiomas Quarto_Inventario Size
0 Formação Florestal Floresta não manejada (FNM) 2.30
1 Formação Savânica Floresta não manejada (FNM) 29.74
2 Mangue Floresta manejada (FM) 0.01
3 Silvicultura Reflorestamento (Ref) 0.05
4 Campo Alagado e Área Pantanosa Floresta não manejada (FNM) 0.02
5 Formação Campestre Floresta não manejada (FNM) 1.48
6 Pastagem Pastagem (Ap) 12.86
7 Cana Agricultura semiperene (CANA) 0.04
8 Mosaico de Usos Floresta não manejada (FNM) 2.21
9 Praia, Duna e Areal Dunas não manejadas (DnNM) 0.04
10 Área Urbanizada Assentamento (S) 0.24
11 Outras Áreas não Vegetadas Pastagem (Ap) 0.35
12 Afloramento Rochoso Floresta não manejada (FNM) 0.02
13 Mineração Floresta manejada (FM) 0.00
14 Aquicultura Mineração (Min) 0.03
15 Apicum Floresta não manejada (FNM) 0.01
16 Rio, Lago e Oceano Reservatório (Res) 0.41
17 Soja Agricultura anual (AC) 0.02
18 Outras Lavouras Temporárias Agricultura anual (AC) 0.83
19 Café Agricultura perene (PER) 0.01
20 Outras Lavouras Perenes Agricultura perene (PER) 0.30
21 Restinga Arborizada Floresta manejada (FM) 0.00
22 Restinga Herbácea Floresta manejada (FM) 0.00
23 Algodão (beta) Floresta manejada (FM) 0.00
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_coluna,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> MapBiomas > Quarto_Inventario | caatinga<b>", font_size=12)
fig.show()

2.4 | Legenda Harmonizada ¶

In [ ]:
mapeamento = legenda_harmonizada(equivalencias_linha, equivalencias_coluna)
display(mapeamento)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Savânica 3.01
1 Floresta não manejada (FNM) Formação Savânica 29.74
2 Floresta secundária (FSec) Formação Savânica 4.99
3 Reflorestamento (Ref) Silvicultura 0.05
4 Campo manejado (GM) Formação Florestal 0.00
5 Campo não manejado (GNM) Formação Savânica 0.21
6 Campo secundário (GSec) Formação Savânica 0.02
7 Pastagem (Ap) Pastagem 12.86
8 Outras formações lenhosas manejadas (OFLM) Formação Savânica 0.27
9 Outras formações lenhosas não manejadas (OFLNM) Formação Savânica 1.90
10 Outras formações lenhosas secundárias (OFLSec) Formação Savânica 0.22
11 Agricultura anual (AC) Pastagem 1.67
12 Agricultura perene (PER) Outras Lavouras Perenes 0.30
13 Agricultura semiperene (CANA) Cana 0.04
14 Água (A) Rio, Lago e Oceano 0.08
15 Reservatório (Res) Rio, Lago e Oceano 0.41
16 Assentamento (S) Área Urbanizada 0.24
17 Dunas manejadas (DnM) Praia, Duna e Areal 0.01
18 Dunas não manejadas (DnNM) Praia, Duna e Areal 0.04
19 Afloramento rochoso não manejado (ArNM) Formação Florestal 0.00
20 Mineração (Min) Aquicultura 0.03
21 Solo exposto (SE) Praia, Duna e Areal 0.02
22 Áreas não observadas (NO) Pastagem 0.02
23 Floresta não manejada (FNM) Formação Florestal 2.30
24 Floresta manejada (FM) Mangue 0.01
25 Floresta não manejada (FNM) Campo Alagado e Área Pantanosa 0.02
26 Floresta não manejada (FNM) Formação Campestre 1.48
27 Floresta não manejada (FNM) Mosaico de Usos 2.21
28 Pastagem (Ap) Outras Áreas não Vegetadas 0.35
29 Floresta não manejada (FNM) Afloramento Rochoso 0.02
30 Floresta manejada (FM) Mineração 0.00
31 Floresta não manejada (FNM) Apicum 0.01
32 Agricultura anual (AC) Soja 0.02
33 Agricultura anual (AC) Outras Lavouras Temporárias 0.83
34 Agricultura perene (PER) Café 0.01
35 Floresta manejada (FM) Restinga Arborizada 0.00
36 Floresta manejada (FM) Restinga Herbácea 0.00
37 Floresta manejada (FM) Algodão (beta) 0.00
In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df2)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])


fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Inventário > MapBiomas > Inventário | caatinga <b>", font_size=12)
fig.show()

Aqui temos uma versão do diagrama sem considerar a quantidade de área identificada. Ele possibilita uma visão mais limpa de como ficaram as concordâncias.

In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df)

value = [1] * len(value)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])

fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Quarto Inventário > MapBiomas | caatinga <b>", font_size=12)
fig.show()

2.5 | Análise das Informações Obtidas ¶

In [ ]:
concordancia_geral = round(100 * mapeamento.loc[:, "Size"].sum() / df.to_numpy().sum(), 2)

print("A concordância geral entre os mapas foi de {}%".format(concordancia_geral), "considerando a harmonização obtida.")
A concordância geral entre os mapas foi de 75.27% considerando a harmonização obtida.